我经常会被问到这么一个问题：样本量多大就不用进行正态性检验了。殊不知，这问题的本身就是错误的，并不是样本大，就一定要服从正态分布。我们可以轻易举出一个反例来说明这个问题。比方说就用1-1000这一千个（甚至更多）自然数，组成一个样本，那么这个样本的分布就不是正态分布，因为1-1000服从的是均匀分布。另外，数据的分布基于形成的机理，有的分布天生就非正态（如寿命数据）。

但有些朋友，并不觉得这是一个错误的问题，甚至在他们的学习中还流传着这么一个说法：样本量大于30就可以认为是服从正态分布。当你向他问为什么的时候，会得到一个专业的解释——中心极限定理。

中心极限定理

中心极限定理（Central Limit Theorem）是统计学中最重要的结论之一。在这里，我并不想给出中心极限定理专业的定义，只需要了解它告诉我们：来自某总体的一个样本，无论该总体服从什么分布，只要样本容量足够大，其样本均值都近似服从正态分布。

请注意这里的说法：“样本均值“近似正态，而不是样本本身服从正态（不是说你抽了30个样品组成的样本数据就正态）。这里又有一个大家疑惑的地方，样本容量足够大，多大才是足够大？这个问题的答案和总体分布的形状相关，如果样本本是来自近似对称分布的总体，那么当样本量取相当小（如样本量取5）的值的时候，正态逼近的结果也会非常好。然后，如果总体的分布严重倾斜，则样本量必须取相当大的值。根据检验，对于大多数总体来说，样本容量取30或者更大，就足以得到令人满意的正态逼近结果。我想这可能就是错误认为样本量大于30就认为是正态分布的出处了。

模拟掷骰子展示中心极限定理

为了展示中心极限定理，模拟多次投掷骰子来说明。

假设您掷骰子 1000 次。您希望得到相等数目的 1、2 等。让我们查看 1000 次骰子的分布（图1）。



现在假设您将投掷 2 次，并采用两次投掷的平均值。您还将重复此试验 1000 次。让我们来看看两次投掷的平均值的分布。这种分布如图 2 所示。您是否注意到在只进行了两次投掷的情况下，平均值的分布已经呈现出了土堆形？



假设您现在投掷骰子三次，然后取三次投掷的平均值。再次重复此试验 1000 次。让我们来看看此举对投掷的平均值分布有何影响。这种分布如图 3 所示。同样，分布的形状与正态分布的形状相当接近。您是否注意到分布上发生了其他变化？



让我们投掷骰子五次，并取其平均值。再次重复此试验 1000 次。这种分布如图 4 所示。您是否已开始注意到所发生的情形中存在任何模式？



让我们继续增加平均投掷次数。此时您将投掷 10 次，并采用 10 次投掷的平均值。这种分布如图 5 所示。



现在，随着您增加投掷次数，将看到两个现象。首先，您会看到，平均分布的形状开始与正态分布的形状相似。其次，您会看到，随着投掷次数的增加，分布变得越来越窄。让我们继续增加投掷次数。此时，您将投掷骰子 20 次。这种分布如图 6 所示。



到现在，您应该确信增大样本数量对样本平均值分布是有影响的。您将再次增大样本数量，以强化这种认知。此时，您将投掷骰子 30 次。这种分布如图 7 所示。



让我们看看所呈现的情况，在一个图中绘制大小为 2、5、10、20、30 的样本的直方图，以查看变化的分布。

从上面的模拟结果，可以知道，当样本量大于30的时候，那么样本均值（取了1000次样本，得到1000个均值）的分布基本呈正态分布。

另外该定理还指出，如果根据总体不断重复绘制随机样本数量 n 以及有限均值 mu(y) 和标准差 sigma(y)，然后在 n 较大时，样本均值的分布将近似呈正态分布，并且均值等于 mu(y)，标准差等于 (sigma(y))/sqrt(n)。 收起阅读 »

六西格玛是一种质量改进方法，企业已经使用了几十年 - 因为它取得了成果。六西格玛项目遵循明确定义的一系列步骤，世界各国的每个行业的公司都使用这种方法来解决问题。

但是，六西格玛在很大程度上依赖于统计和数据分析，许多对质量改进不熟悉的人感到受到统计方面的威胁。你不必被吓倒。虽然数据分析确实对提高质量至关重要，但六西格玛的大多数分析并不难理解，即使您对统计数据不是很了解。但使用Minitab熟悉这些工具是一个很好的起点。本文简要介绍六西格玛中常用的10种统计工具，了解它们的作用以及它们为何如此重要。

1.帕累托图（Pareto图）



帕累托图来源于一种称为帕累托原则的观点，该观点认为大约80％的结果来自20％的原因。即使在我们的个人生活中，也很容易想到例子。例如，80％的时间你会穿买的衣服中20％的衣服，或者你在图书馆80％的时间只会听网易云音乐中收集的20％的音乐。

帕累托图可帮助您直观地了解此原则如何应用于您收集的数据。它是一种特殊类型的条形图，旨在将“少数几个”原因与“琐碎的”原因区分开来，使您能够专注于最重要的问题。例如，如果每次出现缺陷类型时就收集有关缺陷类型的数据，则帕累托图会显示哪些类型最常见，因此您可以集中精力解决最紧迫的问题。 

2.直方图



直方图是连续数据的图形快照。直方图使您能够快速识别数据的中心和范围。它显示了大部分数据落在哪里，以及最小值和最大值。直方图还显示您的数据是否为钟形，可以帮助您找到可能需要进一步调查的异常数据点。

3.Gage R&R



准确的测量至关重要。你想用自己认为不可靠的数据来衡量自己吗？你会继续使用从未显示正确温度的温度计吗？如果您无法准确测量过程，则无法对其进行改进，这时Gage R＆R就有了用武之地。此工具可帮助您确定连续型数值测量（如重量，直径和压力），当同一个人反复测量同一部件时，以及当不同的操作者测量相同部件时是否准确和精确。

4.属性一致性分析



另一个确保您可以信任您的数据的工具是属性一致性分析。Gage R＆R评估连续型数据的重复性和再现性，而属性一致性分析评估的是属性数据，例如通过或失败。此工具显示对这些类别进行评级的人是否与已知标准，与其他评估者以及他们自己一致。

5.过程能力分析



几乎每个过程都具有可接受的下限和/或上限。例如，供应商的零件不能太大或太小，等待时间不能超过可接受的阈值，填充重量需要超过规定的最小值。能力分析向您展示您的流程与规范的完美程度，并深入了解如何改善不良流程。经常引用的能力指标包括Cpk，Ppk，Cp，Pp，百万机会缺陷数（DPMO）和西格玛水平（Z值）。

6.t检验



我们使用t检验来比较样本的平均值与目标值或另一个样本的平均值。例如，工艺参数调整后，想确定钢筋抗拉强度均值是否比原来的2000要高。如果您从两家供应商处购买调味糖浆，并想确定各自出货量的平均量是否有差异，您可以使用双样本t检验来比较两家供应商。 

7.方差分析



t检验将平均值与目标进行比较，或者将两个平均值相互比较，而ANOVA（方差分析的缩写）则可以比较两个以上总体的均值。例如，ANOVA可以显示3个班次的平均产量是否相等。您还可以使用ANOVA分析多于1个变量的均值。例如，您可以同时比较3班次的均值和2个制造地点的均值。

8.回归分析



回归可帮助您确定输出与一个或多个输入因子之间是否存在关联。例如，您可以使用回归来检查公司的营销支出与其销售收入之间是否存在关联。当存在变量之间的关系时，您可以使用回归方程来描述该关系并预测给定输入值的未来输出值。

9.DOE（实验设计）



回归和ANOVA最常用于已经收集的数据。相比之下，实验设计（DOE）为您提供了一种有效的数据收集策略。它允许您同时更改或调整多个因子，以确定输入和输出之间是否存在关系。收集数据并识别重要输入后，您可以使用DOE确定每个因子的最佳设置。

10.控制图



每个过程都有一些自然的，固有的变化，但稳定（因此可预测）的过程是优质产品和服务的标志。重要的是要知道过程何时超出正常的自然变化，因为它可以指示需要解决的问题。控制图将“特殊原因”变化与可接受的自然变化区分开来。这些图表随时间变化绘制数据并标记失控数据点，因此您可以检测异常变化并在必要时采取措施。控制图还可以帮助您确保在未来持续改进流程。 

小结

六西格玛可以为任何企业带来巨大的利益，但是获得这些收益需要收集和分析数据，以便您了解改进的机会并做出重大和可持续的变革。六西格玛项目的成功往往取决于在许多领域都是高技能专家的从业者，而不是统计数据。但是，通过对最常用的六西格玛统计数据和易于使用的统计软件（如Minitab）的基本了解，您可以处理与提高质量相关的统计任务，并自信地分析您的数据。 收起阅读 »

本人刚入质量行业，质量行业都有什么岗位，目前我司设有巡检和出入库检。本人在质量助理一职，平时处理各种问题

最近一直忙于研究生论文开题报告，没有记录太多的东西。今天无意中在自己工作电脑上找到了之前的两本电子书《质量无泪》和《质量免费》，还是9年前刚进公司的时候收藏的电子书，因为刚进公司从事的不是质量相关的工作，也不是在质量部门，所以这两本书我记得当时也只是草草了了的过了一下，一直也不知道放哪里去了。也许是冥冥之中的猿粪，两本经典的东西突然出现了。经典的东西，总能给你一些启发。
我刚接手目前这个质量部门的时候，我记得我的上一任告诉我他把这个部门弄的很好了，不用我担心（我和我的上一任交接不到3个工作日）。后来我慢慢发现QCP/WI规定的和做的有很多的gap,所以我今年的一个目标就是梳理每个工序的QCP/WI,和实际的对比，不统一的一项一项改。工程师将四十几项列出来，有很多还涉及到关键质量管控项目， 我不能让质量管理流于形式，质量管理设计的这么好，不是为了面子上好看，也不是为了审核，是要真正的做好质量。有时候我在想，怎么样才能做好质量，大家都在谈论要预防。如何预防，不就是基本要做好么！基本的东西都做不好，何谈预防？ 收起阅读 »

1.质量的定义
The concept of quality

一组固有特性满足要求的程度
The Degree in which the inherent chacteristic meet the requirement




2.两种质量观
Two views on Quality

符合性质量：符合所有的要求
Compliance quality：meet all the requirements

适应性质量：符合顾客的要求，顾客满意
Adaptative quality：meet the need of customer and provide satisfy.





3.朱兰的大”Q"与小“Q"观点
Big ”Q" and little “Q", Juran‘s view on quality.










4. 质量特性
Quality characteristic


把感性的、混淆的顾客需求转化为理性、清晰、技术或工程的语言
Transfer the emotional，confused customer needs to rational,clearly,technologycal,engineering language.




分类types
技术性方面的质量特性：如耗油量、速度
心理方面的质量特性：如服装款式、汽车象征的地位和气派、食品的味道
时间方面的质量特性：产品寿命、电力供应的及时性
安全方面的质量特性：漏电保护
社会方面的质量特性：法律、法规、环保、伦理

Technical  characteristic : such as fuel consumption,speed.
Psychological quality characteristic ：Such as clothing style,the status and style of the car symbol, the taste of food
Quality characteristics in terms of time：the product lifetime，timeliness of power supply
Quality characteristics in terms of safety：Leakage Protection
Social quality characteristic：laws,regulations,environment protection,ethics




5.产品的质量特性
Quality characteristic of products


性能：
产品满足使用目的所具备的技术特征

寿命：
产品在规定的使用条件下完成规定功能的工作总时间
可靠性：
产品在规定的时间内和规定的条件下，完成规定功能的能力

安全性：
产品保证顾客的生命不受到伤害、身体和精神不受到伤害、以及财产不受到损失的能力

经济性：
产品在生命周期内的成本和费用方面的特征

Performance:
the technical characteristic of the product to meet the purpose of use.

Lifetime:
the total time of which the product complete the specified function within the specified time and under the specified conditions

Reliability:
the ability of product meed the specified function within the specified time and under specified conditions.

Safety:
the ability of the product to ensure that the customer's life is not harmed,the body and mind are not harmed,and the property is not damaged.

Economy:
the characteristics of a product in terms of costs and expenses over its life cycle 收起阅读 »

本人新来的，从事品质行业已经4年了，应该还是个新人吧。还请各位大神多多指教

人类一直试图让机器具有智能，也就是人工智能（Artificial Intelligence）。从上世纪50年代，人工智能的发展经历了“推理期”，通过赋予机器逻辑推理能力使机器获得智能，当时的AI程序能够证明一些著名的数学定理，但由于机器缺乏知识，远不能实现真正的智能。因此，70年代，人工智能的发展进入“知识期”，即将人类的知识总结出来教给机器，使机器获得智能。 无论是“推理期”还是“知识期”，机器都是按照人类设定的规则和总结的知识运作，永远无法超越其创造者，其次人力成本太高。于是，一些学者就想到，如果机器能够自我学习问题不就迎刃而解了吗！机器学习（Machine Learning）方法应运而生，人工智能进入“机器学习时期”。机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。机器学习最大的突破是2006年的深度学习。深度学习是一类机器学习，目的是模仿人脑的思维过程，经常用于图像和语音识别。深度学习的出现导致了我们今天使用的(可能是理所当然的)许多技术。当你问你的iPhone关于今天的天气时，你的话语会用一种复杂的语音解析算法进行分析。如果没有深度学习，这一切都是不可能的。

机器学习与统计区别





机器学习是一类算法的总称，这些算法企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，以至于不太方便形式化表达。
通常学习一个好的函数，分为以下三步： 
1、选择一个合适的模型，这通常需要依据实际问题而定，针对不同的问题和任务需要选取恰当的模型。 
2、判断一个函数的好坏，这需要确定一个衡量标准，如回归问题一般采用欧式距离，分类问题一般采用交叉验证函数。 
3、找出“最好”的函数，如何从众多函数中最快的找出“最好”的那一个，学习得到“最好”的函数后，需要在新样本上进行测试，只有在新样本上表现很好，才算是一个“好”的函数。
机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机如何开发一个算法来完成任务。有三种主要类型的机器学习：监督学习、非监督学习和强化学习。





【案例分享】为了预测过程输出性能，提高客户满意度及产品质量，现从数据库中批量导入了2019年5月份生产报表，检测产品能否满足规格要求及相关生产环境，试分析影响产品质量的相关原因及预测结果。
本例共有9个变量，近5000个测试数据，其数据表如下：



在Minitab最新发布的版本Minitab19.2020中，除了可以将Python的脚本可以导入Minitab加载分析之外，还增加了机器学习的CART分析法。我们将上述案例用CART分析步骤如下：
1、统计---预测分析---CART分类，将响应和影响因子分别填入对应位置



2、点击 先验/成本，设置误分类成本



误分类成本就是判断错误的风险，例如，在医学影像检测中，把健康的人误诊为病人还不是最糟的情况，只要医生能对诊断结果进行复查，并把健康的这个人找出来就可以了。但反过来，未能诊断出真正的病人而不提供给他任何治疗，则就非常危险了。默认情况下，Minitab 使用相等的成本 1。
3、点击 验证，选择验证方法



设置模型验证：数据通常被分为训练数据和测试数据
训练数据（学习数据）通常被用来创建模型及评估模型的系数；测试数据通常检模型性能，通过测试数据得到拟合值，在用训练数据的数据和对应的拟合值进行比较来检验模型的预测性能通过验证，防止模型过度拟合若用同一组数据来拟合模型并评估模型的拟合优度，会导致过度拟合，过度拟合的模型并不能用于很好的预测…..





4、点击 选项，设置节点分裂方式



默认的节点分裂，选择 基尼



对所有对话框点击 确定，查看Minitab输出（部分）：



默认情况下，Minitab 为误分类成本在最小误分类成本 1 个标准误内的最小树生成输出。也可以识别最优树的序列中探索其他树。终端节点数越多，模型就越复杂。





ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。
点击ROC图左下角的预测，可以根据模型预测不同场景下的输出概率。



总结：
机器学习是目前业界最为火热的一项技术，从网上的每一次淘宝的购买东西，到自动驾驶汽车技术，以及网络攻击抵御系统等等，都有机器学习的因子在内，同时机器学习也是最有可能使人类完成“AI 梦”的一项技术，各种人工智能目前的应用，如微软小冰聊天机器人，到计算机视觉技术的进步，都有机器学习努力的成分。作为全球领先的统计分析软件，Minitab在2018年收购了SPM，并在Minitab.19.2020版中增加了预测分析的CART分类和CART回归功能，能够帮助我们了解一些机器学习的相关知识与概念，更好的理解为我们带来莫大便利技术的背后原理，以及让我们更好的理解当代科技的进程。 收起阅读 »

The position you stand on. 你所站的高度，或者叫--在其位，谋其职。
客户的一个投诉8D结了，简单来说不是shenzhen工厂的问题，涉及到其他国家的兄弟工厂，但不管是不是其他兄弟工厂，从集团的组织构架上来说都是属于OPS(生产）这个大链，都属于一个集团的VP管，我发出了这个8D,同时说明了另外一个工厂与BU的沟通问题，需要BU去调查他们之间的communication issue.
客户投诉，我们都会把邮件CC给shenzhen plant head和VP, VP收到邮件后回复very disappointing, “ if this is OPS porblem, it should be fixed by OPS and can`t ask BU to investigate.",他邮件当然没有直接呼我，呼的是我的老板Site quality manager,他也知道这个8D一定是经过site QM review过的。
这种集团高管的邮件我们当然也会注意，事后自己也反思了，自己站的角度还是不够，从集团VP来讲，是其他兄弟工厂的问题，还是属于生产问题，就是他VP的问题。 我所站的角度是从深圳工厂来讲，不是深圳工厂的问题，当然不希望在我们的performance里面，因为客户投诉我们每年都有指标，少一个投诉，完成年度目标，年终奖不受影响。
每个人岗位不一样，角色不一样，所思所想也不一样，公司的每个岗位的人对自己的工作scope都有不一样的思考。但是如果你想向更高的职位发展，要学会更高职位的人想的是什么。 收起阅读 »

      我们产品的可靠性测试定义由之前我的QE来完成，前两天集团的VP想把我们的relability monitoring 的WI和近期的报告share给印度工厂，当我在找之前的可靠性报告的时候发现之前的QE尽没有总结！之前我有提过5月初这个QE我最终选择了fire,这也是一个原因--做事欠妥。自己整理吧，零零散散能找到一些相关的测试，常规的IC我想大家都应该有TC, TH, salt mist等，虽然之前没有做过，公司的报告也是有一套模板，拿来用即可，但是耗时，花了我几个小时的时间，到车间去转转的时间就少了，好在今天会议不多， 给到VP的东西不能有漏洞。
      新招的QE今天入职，面试的时候我对这个QE还是挺满意，期待后面能给我大的support， 各种体系如IATF/ISO等都certificated,还有实战经验，也是Lean 6 sigma green belt。 
     去年提拔起来的一个QC leader还需锻炼和培养，对于QC的月度排班我一般不会介入，我给的指示在这个QC leader那里还是执行欠佳。今天和我讨论QC加班，排班这个事情超过一个小时。之前给自己定了一个规定，每天尽量抽半小时到一小的时间在人身上，你的思想在不断的反复和这些QE, QC leader沟通下还是能有一些效果， 今天的一个多小时希望看到效果。
  收起阅读 »

今天生产没什么特别事情，上午主要带新QE开了很多的daily meeting, 下午没什么会议，刚好有时间来看看明年的budget，AVI—auto visual inspection是一个我这个部门较大的invest,  目前我们的产品出货前是100%全检，全靠QC人为检查，效率还好，但人做的事情总会有出错的时候。这个项目能替代人工，但是最终在市场上能不能找到这样的设备—TBC. 看了我的上一任留下来的一些资料，整理了一下，投资差不多90万， HC减少4，又到了算ROI的时候。
后面去了车间看了QC 的buyoff，主要是想去看看那些仪器具体怎么操作的， 刚好QC在做buyoff, loop height, ball shear, pull test, ball height 等，两个QC操作的很熟练，标准也很清楚，顺便也检查了一下自己QC技能到底怎么样。
走到生产一个工序，当时有一台机器的停机引起了我注意，当一个单数量完成后（一个单20k/reel），原材料的一卷还未完(原材料一般4-50K/reel)，中间会隔一段空的不生产（最终报废），但是中间空多少，询问了好几个员工都回答没有确切的规定，都是回答大概多少， 每个人的标准不一样，当时我看到那个员工至少空了100+pcs，如果我们能定义一个数量，每年按800M的量来算，能节省多少原材料了？
收起阅读 »

今天是周五，确是会议比较多的一天。
深圳quality site今年对process audit 做了optimization, coordinate是一个SQE， 我和另一个事业部的quality manager全力support，前期做的很多工作主要是制作process audit过程成要问的一些问题，今天是在我所负责的一个工序进行Demo audit, 问题很基本，审核对象主要是针对操作员和技术员， 目的也是为了生产操作员按照WI/SW作业，减少人为的错误。因为时间的限制，只做一条线或者一台机器audit, findings会延伸到其他线或机器,actions的verify也会相应延伸。 这个也是我今年想做的一件事，在各个方面都比较成熟的情况下，提高质量的一个方法就是抓基本，保证基础不出错，而且今年我的另一个已实施的方案就是GAMBA walk+7 basics相结合，效果也初见成效。
下午做了最佳建议的竞选presentation, Quality Shenzhen Site今年的目标是获得两个最佳建议，在做presentation之前，CI部门宣布了上个月的最佳建议获奖名单，我负责的quality部上个月参与竞选的一个建议成功入选，完成年度1/2目标，另一个最佳建议按理来说应该有另一个事业部的quality去完成，这样整个Shenzhen site的目标就可以达成，anyway我既然有，那就去参选吧，能不能成功入选，下月见分晓。 如果我完成了整个quality的这个目标，希望年底我能向site quality head给我的团队争取到更多的利益。 收起阅读 »

        企业经营经营ERP沙盘模拟从去年底延期到今年五月，这是MBA必修的一门课程，着实过了一把财务总监的瘾。课程开始之前还在想，一个干质量的人来搞财务，能不能胜任这个角色？anyway，这也是一个训练换位思考的机会，企业经营的最终目的看的不就是财务指标么。
        作为财务总监，严格谨慎的控制了每一笔支出，采购原材料用了多少，打了多少广告费，缴了多少税等等，每一笔记录的清清楚楚，感受到了财务记流水账的工作。当然，重要的还是在投资的时候，每次投资，扩线，在大家觉得要投资的时候（小组成员要么做金融，要么做销售），被我要求先算投资回报率开决定是否扩产，最终原本大家都同意要扩生产线的决定被否，因为投资价值不大而放弃。
        每年度经营结束，财务要做的最重要的两张表是利润表和资产负债表，利润表中最重要的一个指标就是最后的净利润，体现了企业经营赚不赚钱，而资产负债表中，所有者权益则体现了股东的利益。一个公司经营的好不好，净利润，流动资产，固定资产，负债和所有者权益，是几个最重要的评价指标，所以大家在投资某个公司股票的时候，一定要看看这几个指标。
        几天沙盘模拟下来，切身感受到了做实业的不容易，财务总监这个角色，确实也培养了自己换位思考的思维，任何决策之前应该要想想这个决策能否给公司带来价值，如果一批产品出现了瑕疵，作为干质量的人来说，先quarantine 再来想最小程度减轻损失的对策，只要没报废，至少给流动资产做点贡献。当然，自身对财务知识的认识也更深一步。
收起阅读 »

上周被动住院。120急救中心拉我进的医院。终于让我被动的暂停了手中的工作，可以静心思考一下这几年的转变。
目前已从医院出来，幸好没有大碍，只是脑神经有些发炎造成的晕眩。论坛很久没上，看了太多的质量问题和人和事，想放空自己，随性谈谈自己的一些经历和感受，权当给大家做个参考，不喜勿喷。
本人的职业生涯经历了三家主板上市公司（第一家4年A股上市公司、第二家跟随上市A股8年多、第三家全球化汽配零部件企业2年），最大的企业市值曾经做到过600多亿，是整车厂一供。最高职位是集团质量总监，直线向我汇报8人，虚线（业务线）汇报我7人。一年365天，每天都跟打仗一样，赚性价比不高的钱，顶了很大的压力，不知在线的质量人是否有同感？越到质量高位，越是压力山大，实在不行了，我就转型做了营销，目前在一家几个亿的小公司做个营销副总，压力没有那么大，钱赚的不多不少过过日子。
谈谈自己的感受。因为现在找我去做质量总监的公司和猎头也不少，我跟一些中小型企业的老板谈，谈着谈着，他们就说我是他想找的人。我说不对，因为你不是想找我，你只是想一转头找个会变戏法的，把你公司所有的品质问题，管理问题解决了。本身这个愿景是好的，但是理念不对，我不能跟你合作的理由，我怕耽误你，也耽误自己。一开始谈的时候，我也需要说清楚，质量人就是做品质管理工作的，产品的质量是生产制造出来的，我能做的，只是持续让这个企业循序渐进的改善，改善方方面面，而大多数中小企业的老板焦虑，他们都想一招变天，一个晚上把所有问题解决，质量就好了，其实这是不可能的。
看了很多企业，说质量经理 质量总监 待不住。错了，我相信大多数能做到这个位置的人，都是有一定能力和阅历的，为什么待不住？马云那句话说的还是合适：1、钱没给到位；2、心受委屈了； 老板们都想着性价比高，无可厚非，其实质量能不能做好的呢？ 可以的。为什么做不好？该花的钱没花到位，该做的事情没有做。什么是该花的钱没到位？ 人、机、料、法、环、测。。。。。你看，这就不是品质问题，是经营问题。
人，该请的人没有请，该设立的品质管理岗位没有设立，该花的钱是成本，为了降低成本，中国企业家们把人工成本降低到极致，是为了能够在市场招标和报价的时候能够有更多决定权，拿到订单，所以，人员成本省了很多，中国制造企业跟外企相比，待遇差的不是一点点，虽然最近十几年好了一些，但本质上就是没花钱到位雇佣该雇佣的专业人员；
设备就更不用说了，水更深，很多玩法，有些设备供应商大多数可以先给设备后结账，为了赢取订单不折手段，试问这样的设备能好吗？外资企业一套生产线1千万，我们有些同类国产生产线500万，差一半都有，精度能保证？过程质量控制能保证？先天不足，怎么治疗都是劳民伤财！
再说料，供应商管控。SQE呢？ 呵呵了吧，采购拼了老命降低成本吧，质量，再说吧。因为KPI考核指标考核采购行不行的，降低采购成本几乎是每家企业普遍需要的。是不是该花的钱没花到位造成的品质问题？当然，我并不是说减低成本不对，公司要盈利OK的。我的意思是一定要在质量确认的情况下降低成本，很可悲的是，大多数企业家老板，就看到了后面降低成本，没有去重视品质，还有一些只停留在嘴巴里。
法就是制度，中小型企业转型升级过程中，很多流程需要再造，我只有一句话，IATF16949体系管理文件，有几家企业不是两套皮的？是真正落地落实到位的，就足够了。就是制度，就是体系文件，就是法。有几个部门重视？几个老板重视？质量人寒心就是在这里，望眼欲穿 无力回天。
环就是生产制造环境，公司内部环境。为什么民营企业跟外资不能比，很多质量问题是由于外资企业内部本身就有很好的控制品质的氛围，是这样的环境造就了一批批的公司骨干，需要沉淀和学习积累的，不是一朝一夕能够建成。中国中小型企业，先解决温饱问题和生存问题吧。
测就是测量仪器了。能在这方面配资源的，要么就是市场客户要求，要么就是自身最低品质需要。极少有企业主动在这个检测领域领先的，成本不允许。
说了那么多，大多数问题其实是企业家老板自己造成的。那有些企业还是真正想把质量做好的，也原意花钱下去，这种企业太少了，持续的就更少，毕竟在头部企业工作又要高位的，太难了，生存也是很艰难的。有个80后接班的二代跟我谈，我们私交不错，他一直拉拢我去他企业，他说帮帮他，我没同意。不是我不愿意，我觉得根本帮不上。质量做了十五年，经验能力是一方面，更多的是要从企业发展的角度来看问题，大多数中小型企业，年销售5亿以下的，都会面临转型升级等这样那样的质量问题。我写这个文章，是希望有一天，更多的企业老板看到，多给下属的质量人一些理解和支持，多给他们一些机会，因为很多时候，并不是质量人不愿意去做好，实在是形势所迫无可奈何。
最后，也写给正在质量管理工作上努力的各位，虽然质量管理工作有些枯燥乏味，也不要丧失信心，随着企业发展壮大，质量的改善也是逐步进行，只要能看到进步，还是有光明的未来！愿大家一切都好！保重身体
 
  收起阅读 »

案例背景
生产集成电路(IC)器件的一个初始步骤是在抛光的硅晶片上产生一个外延层，镶在一个称为感应器的六面柱体上(每面有两块晶片)，这个六面柱体在一个钟形容器里旋转，这个容器通过其顶部的喷咀喷入化学蒸汽并加热。这个过程持续到外延层生长到所要求的厚度，厚度的目标值14.5微米(um)，其误差范围为14.5土0.5微米，即实际的厚度应该尽可能接近14.5，并在区间[14,15]内。当前的设置造成的偏差超过了指定的1.0微米，于是试验人员需要找出可以设置的过程因子使得外延层的不均匀性达到最小，同时确保平均厚度尽可能接近目标值。

稳健参数设计
响应变差可以通过减小噪声变差来减小，但这可能要付出高的经济代价。由Genichi Taguchi最先提出的稳健参数设计(robust parameter design)是一种可选择的策略，该策略是通过探索控制因子与噪声因子间的交互效应来改变控制因子的水平组合来减小响应变差。因为控制因子通常很易于改变，所以稳健参数设计比直接减小噪声变差更经济更方便。

外延层生长试验的因子和水平
原始外延层生长试验的试验因子如下表所示，共有八个控制因子(A-H)和两个噪声因子(L和M)。



每个感受器有四个面，因此因子M有四水平。在每一个面上位置幽分顶部和底部(因子L)。在最初的试验中， Kackar and Shoemaber (1986)报告六个面的结果．为了方便说明，这里我们只考虑四个面。因为所期望的是在任何面和位置上都有均匀的厚度，所以因子L和M都处理为噪声因子。



厚度的目标值是14.5微米，规定误差限制在14.5士0.5微米。这样，试验的目标就是在保持14.5微米的平均厚度的同时，最小化外延层在四个面以及顶、底部上厚度的不均匀性。

乘积表分析
此田口设计的内表采用L16 (2^8)的正交表（表示设计有16个实验和8个因子，以及 每个因子2个水平）。外表对两个噪声因子选用了2x4设计，这样每个控制因子水平组合就有8个观测值。那么，按照乘积表分析的话就有16x8=128次实验。



Minitab中田口分析





望目特征问题的两步程序：
选择散度因子的水平使散度最小化（信噪比最大化）
选择调节因子的水平使位置达到目标值





要想第一步中信噪比最大化，则应该取因子组合为：
A1B1C1D1E2F2G2H2
基于以上最佳信噪比组合，预测均值是否达到目标值14.5微米。







由以上预测结果可知，均值没有达到14.5微米，需要进行调节。
从下面的均值主效应图中可以发现，砷流比率(%)是一个合适的调节因子。





为此，我们固定A1B1C1D1F2G2H2，改变E的水平进行预测，结果如下：





根据预测的结果，我们下一步将会固定A1B1C1D1F2G2H2，因子E砷流比率(%)在(55,59)范围内选取，再次进行新的实验。

思考
在本案例中为了实现稳健参数设计，我们用的是田口设计中的乘积表，但乘积表实验次数太多了（128次），有没有其他方法也可以实现稳健参数设计呢？另外，乘积表分析除了实验次数多以外，还有没有其他一些缺点呢？ 收起阅读 »

一月份买这本书，断断续到现在才看完，这方面自己需要一些检讨。
2000年到2013年，这13年间， 王石做了三件事：户外探险、公益事业、国外求学
         户外探险
         可以说世界上所有的高峰，王石都去了，珠穆朗玛峰，乞力马扎罗，麦金利，邦马峰等等都是他足下囚，他也是中国年龄最大的一个登上珠峰的人。个人认为，作为一个成功的企业家，户外探险是他对当初做企业的一个延续，探险过程中，谁知会发生什么，靠着坚强的毅力和不退缩的精神，完成登顶的目标；做企业何尝不是，万科在发展过程中，也经过了无数的探索，从刚起步的多元化，转型到只做住宅产业，坚持在一个行业做精，做大，做到专精特新，这也是万科成功的关键。不难想象，如果万科没有转型，坚持以多元化发展，它能是今天全球最大的城市住宅房地产开发商吗？户外的探险，也使他感受到了雪山的融化，切身体会到环境遭到破坏后给人类带来的灾难。个人认为这也是为他后来热心于公益事业埋下了伏笔。
          公益事业
          作为一个成功的企业，企业社会责任是永恒的话题，企业发展的同时，不能以牺牲环境为代价，他灵敏的嗅到了绿水青山就是金山银山的真正含义。SEE从创立到成熟，离不开他的付出，中城联盟，WFF等等一些公益组织都有他的身影，我能感受到他在尽自己最大努力做公益，同时他不忘将自己的企业不断创新，不断改进。住宅产业化是他推动的idea,按照他的推算，按照万科的绿色建筑目标，2020年万科可以贡献中国减排目标的1.2%。，如果全建筑和房地产行业达到万科的水平，将占中国减排的12.5%(2020年已过，我也没法去验证王石当初的减排目标)。
          海外求学
          通俗点说，活到老学到老，他做到了。在语言不通的情况下，坚持用英语做一些演讲，每天的时间安排的满满的，没有一丝的懈怠，我对他强大的自律精神折服，也许这就是一个成功人士应该有的毅力。中西方文化的探索，站在更高的角度看待问题，探讨中国房地产现状和发展，使他对万科的发展有更深的认识。

          读完《大道当然》，凭着自己的记忆总结了以上的收获，或多或少他的事迹能给自己一些前进的动力。沉淀在一个领域，将自身做大，做强，这应该是自身的目标。 收起阅读 »

2个投诉+1个审核，撞到一起从liable上来讲，2022年前4个月为0投诉，正在集团大佬宣布给深圳公司奖励后，同一天两个投诉，不管最终是liable还是non-liable,还是要花精力来处理， 刚好月初选择了没有和CQE续签合同，现在得自己来了，还要QRQC。
8D的现在用的是集团new template, 在what is the risk for the customer层面分为了quality 和 service, D3分得更细，traceability, in house securing, customer protection, clear point, D6新增了check execution,共列了16项需要,应有尽有都给你想到了， 还是在很久以前做过8D, 这个使你全面的考虑问题，新增的check execution个人觉得很好。
刚好撞上ISO审核，应审+投诉，都没有时间去车间现场转悠转悠。 审核还算顺利，也是一些基本的东西，应该是没有finding. 
  收起阅读 »

通过此系列文章，目前我们学习了过程能力分析的意义，基于Minitab的正态/非正态数据过程能力分析的思路和方法，其中在非正态数据能力分析中，我们讲了两种方法——转换方法和拟合其他分布方法。文章发布后，果不其然大家又有了新的问题，我们今天先来回答一些问题，再来介绍非正态数据能力分析的另外一种方法——非参数方法。
你有这些疑问吗？

基于前面文章的说明，我们反复强调过程能力分析的一些前提条件（计算Cp/Cpk要求数据满足“独立、正态、MSA合格、稳定”，计算Pp/Ppk只要求数据满足“MSA合格，独立”）。我们还说过，以下公式只适用于正态分布数据。





那么，你有跟下面这位朋友一样的疑问吗？



对于这个问题，首先我们要知道，不管是正态数据还是非正态数据都可以计算Ppk，但是拟合分布不同计算结果肯定是有差异。如果数据正态可以按照上面的公式计算，如果非正态我们前面文章介绍了两种方法——转换/拟合其他分布。虽然计算Ppk不需要数据正态，但是做为数据分析人员我们要知道到底选择的正态方法还是非正态方法。直白点说，虽然计算Ppk不要求数据正态，但是我们仍然要在做过程能力分析计算Ppk之前执行正态性检验，只有这样你才知道从Minitab的哪个窗口进入分析。





另外一个问题，也是经常被问到（就我而言，就最少被问过不下20次）。



前面文章我们说过，如果数据非正态不要急着转换数据或盲目套其他分布，我们可以先来个“个体分布标识”。但是在“个体分布标识”中我们可能会遇到以下情况——两种变换都不行，14种分布中没有一个能够很好拟合数据。



对于这种情况，我们需要花费更多的精力回到数据搜集的现场做调查，而不是为了得到一个过程能力报告去寻求统计专家的帮助（再高明的专家如果不去现场也只能帮助你猜原因）。

比如像上面的“个体分布标识”输出，为什么找不到合适分布，其实我把数据展示一部分给大家看一下就知道原因了（测量系统分辨力不够或数据经过了修约处理）。



上面的“个体分布标识”是Y2的输出结果，如果我对Y1列执行相同分析呢？



这里我只是展示一种可能找不到合适分布的原因——测量系统分辨力不足，那你的数据又是什么原因导致找不到合格分布呢？这个问题别人无法回答，需要你去现场找答案。那如果我所有怀疑的原因都找了一圈结果还是没有发现问题出在哪里，那可不可以计算过程能力呢？这时候如果你的数据量比较大的话（最好1000以上），我们还有一种方法可以来计算过程能力——非参数方法。这种方法不需要知道拟合分布，但要求样本量比较大。
 
非参数方法

非参数方法计算过程能力的核心逻辑跟前面介绍的拟合其他分布是一样的。



因为找不到合适拟合分布，所以这里的分位数计算就不能用之前的方法了，在这里你可以手算也可以利用 Minitab自带的宏命令来计算这些分位数。



点击“帮助”菜单，我们可以在帮助文档中找到相应的宏命令。







把这个宏命令下载下来，运行之前请阅读仔细阅读帮助中说明，尤其要注意把宏放到指定的位置。 收起阅读 »

前言：FMEA（失效模式与影响后果分析）和问题的分析与解决，同样包含对原因的分析与措施的制定，那么它们在思路上有何区别与联系？在实际工作中，通常会存在怎样的误区和错误？本文就把二者放在一起进行一下讨论。

首先，我们先来统一理解一下两个术语：失效和问题。

失效是指没有达到所预期的功能和要求，它是问题的所表现出来的表象。打个比方，水库决堤了，这是坝堤失效了，因为坝堤的功能是阻拦水的，但它的问题在哪里呢？是坝堤上的小小的蚁穴，可谓“千里之堤，溃于蚁穴”。

再就是，同样是原因的分析，但是FMEA和问题解决在思路上是不同的。

FMEA，本质上是把将来有可能发生的所有失效的不同形式（模式）一一列出来，做出一个预判，并根据可能的原因，提前制定对应的控制措施，来防止真的发生；而问题解决，则是针对已经发生了的失效现象，找到问题的症结所在，并一步步地找到这个问题的根本原因，然后制定永久措施，防止同样的问题再次发生。

因此，FMEA的思路是发散式的，是尽可能调动团队成员的所有知识与经验，把每一个在理论上可能发生的失效模式都识别出来，把每个失效模式在理论上的每个可能的原因都列出来，必要时对这些原因进行试验验证。

而问题解决，则是收敛的和聚焦的，要基于“现物“、“现场”、“现实”的三现主义的理念与方法，找到与失效现象有关联的线索来识别问题症结，以及识别与这个问题症结存在关联的原因。问题解决强调的是“原因与问题事实的相关性”，通过试验或其他手段来一步步逐渐缩小“包围圈”，也像是一遍遍过筛子，最后把与这个问题的发生真正具有因果关系的原因确定下来，如下图所示。


我们通过一个案例来进一步说明它们之间的区别。
当客户打开音响包装箱时，发现音响的一个角上少了一个螺丝，如下图所示。

在PFMEA中，当我们分析打螺丝这个过程的失效模式时，我们可能要列出下列失效模式和失效起因：


可见，在PFMEA中，我们需要把所有可能导致打螺丝过程的失效模式以及它们的失效起因都识别出来，再一一制定相应的控制措施（措施本文略）。然而，在问题解决时，比如，当收到顾客关于少了螺丝的投诉时，我们的思路却是这样的：

第一步（第1遍筛子），我们可通过5W2H+IS/ISNOT工具，对少螺丝的音响展开客观、全面地描述，从多个角度来认识这个问题，例如，在哪个位置上少了螺丝？在左下角；缺少螺丝的丝孔上有什么特点？没有螺丝，但是有丝痕！
上面这个信息告诉我们，应当不是漏打，而是打过但没有打牢，这需要我们去打螺丝这个工位（根据产品二维码查出是哪个工位）上去进行详细的调查。

第二步（第2遍筛子），在这个工位上，我们可以借助于鱼骨图的逻辑和第一步的5W2H的输出，对相关的过程要素（而不是所有的过程要素！）进行分析和验证，需要验证电动起子上设置的扭矩值是否为WI上规定的数值，并验证输出值是否在WI允许的范围内；我们还要观察操作者在打螺丝时（特别是少螺丝的位置）操作是否方便，是否存在人机工程学问题；我们更要确认是否在打螺丝时存在产品固定不可靠的问题，等等。

实际验证结果告诉我们，操作者在打螺丝时的角度确实时常超出WI所规定的3度的范围！

我们再进一步地验证操作角度这个原因，抽取更多的出自该名操作者的产品，进行反向扭矩测试，结果同样发现了若干台产品，其螺丝上的扭矩值达不到WI所规定的扭矩（1.5-2.0kgf）！而且经过模拟物流过程的试验（专门的振动试验和跌落试验），这些螺丝基本上都脱落了！

于是，我们就确定这就是音响少螺丝的原因，但是这只是直接原因！但在PFMEA中，由人、机、料、法、环过程要素所分类的失效起因，其实在解决问题时，还需要更进一步地分析，这一点很关键！

第三步（第3遍筛子），我们借助于5WHY工具继续展开分析，例如，为什么会打歪了？有两种可能：该操作者不知道角度的要求（不超过3度），或者该操作者知道角度的要求，但是由于技能不够熟练，还是打歪了。经过调查，实际上是后者！那么为什么是技能不熟练就允许上岗呢？因为培训时只培训理论知识（WI），而没有提供专门的练习，资质要求中也没有包括技能考核这一项！这才是找到了根本原因！

从技术层面，措施是让操作者在线外专门进行练习，合格后方可上岗；从系统层面，将技能训练补充到培训大纲中，并补充到该岗位的资质要求中去。

由此可见，问题解决的原因分析不同于FMEA，它是根据与问题事实相关的线索，一层层地过滤、剖析，最终聚焦到与实际问题具有因果关系的根因上去，如下图所示，

然而，在实际工作中，通常存在下面两种错误的做法:

在制定FMEA时，只注重实际已经发生过的失效模式，而不去分析那些未发生过但从理论上可能发生的失效模式或失效起因，过份注重已发生的事实，过份务实，而FMEA是需要适当的务虚的！

另一种错误做法是在分析和解决问题时，不去注重事实，也就是不遵循三现主义，只是凭借理论上的知识和个人的经验，想出一大堆原因来，一一去验证，这实际上是在为自己制造出一群假想敌，然后再去一一消灭他们。

FMEA与问题解决，二者除了有着思路上的不同，更有着紧密的联系，二者互相支持、互相完善。

当出现问题需要解决时，我们可以采用下面的步骤去使用FMEA：

1、调出该产品的FMEA（功能相关的问题-DFMEA和PFMEA，缺陷与制造相关的问题-PFMEA），查看里面有没有与这个问题相关的失效模式。如果没有，则等问题解决完成（关闭）后，将问题对应的新失效模式补充到当前的FMEA中去。

2、如果FMEA中有这个问题对应的失效模式，则首先去确认里面的控制措施有无在这个问题产品上正确地执行，如果没有，则要验证是否是因为不执行这个措施而导致的该问题。

3、如果是一直在执行FMEA中的控制措施，则可能现有控制措施不能完全预防该问题的发生，改变控制方法，看能否有效；或者是，当前FMEA中的失效起因分析不彻底（没有到根本原因上），或者还有漏掉的因子未识别出来，需要进一步分析。这就需要当问题完全解决后，再把新的因子和对应的控制措施更新到FMEA中去，对失效起因和控制措施进行完善。

因此，FMEA可以为问题解决提供支持，反过来，问题解决可以促进FMEA的更新和迭代，这样形成一个良性互动，企业的技术能力就会像滚雪球一样，越来越强！ 收起阅读 »

生活中，时常惦记你，才是心里有你的人，一向陪着你，才是最爱你的人，待你忽冷忽热的，也许只是寂寞，离你时远时近的，也许只是需要，伪装不出的担心，是真诚，掩饰不住的思念，是感情，每个人的心，都难免有寂寞，并非喜欢安静，是没有人能分担内心的脆弱，谁都害怕孤独，若有人能懂谁愿意寂寞，坚强不代表所有伤都能扛，而是假装着不难过，沉默不代表心里没感觉，而是现实你别无选取，不敢让自己太过在乎，是怕别人根本不在乎；不敢让自己不顾一切，因为没人会把你当成全世界，寂寞，或许很可怜；走不出寂寞，才是最可怜，缘分里有无数的擦肩而过，不属于自己的永久只是过客。生命中有那么多的难以割舍，无法挽留的终归还是错过，不是每一个相识，都能触动心灵，不是每一份相知，都能解读心音，人的一生，只求有一道风景令自己流连，自然心安，便是倾心的驿站。 收起阅读 »

对于过程能力分析，通过之前的文章我们知道在计算能力指标之前需要确认一些前提条件是否满足要求(独立，正态，MSA合格，稳定)，今天我们继续延续之前的话题来讨论非正态数据如何做过程能力分析。

非正态解决方案
如果您使用为正态数据设计的能力分析，您的数据必须服从正态分布。





对于上面的这些公式，我相信很多朋友比较熟悉(不同教材在公式写法和叫法上可能稍微不同)，但我们今天讨论的不是这组公式，为什么呢？因为上面这些公式只适用于正态数据，而我们今天想分享的是非正态数据的能力分析。

对于非正态数据，我们可以通过以下方法来获得准确描述生成非正态数据的过程的能力指数。



正如你所看到的，解决方法有很多，当然方法选择不同结果肯定是有差异的，那么问题又来了，哪个方法是比较合适的呢？别急，我们可以先参考以下路径图帮助我们选择。



在上一篇文章中我们分享了变换的方法(Box-Cox变换)，在这篇文章中，我们打算找到拟合数据的合适分布(除了正态分布外，Minitab在这里还提供了其他13种分布)，采用非正态的方法来计算Ppk(注意，由于是非正态分布，这时候就无法计算Cp/CpK了)。


拟合其他分布法(ISO方法)原理
对于非正态数据，Minitab后台提供两种算法(21版本中，默认算法为“Z值法”)



但是，我们今天要分享的是“ISO方法”，原因很简单，这种算法大家在六西格玛相关课程和教材中其实学过了(先混个脸熟)。

介绍“ISO方法”之前，我们首先来回顾一下能力分析的含义(如下图所示)。



其中，“客户之声”就是客户给定的公差带宽(USL-LSL)，关键是怎么得到“过程之声”。
回想一下，如果数据服从正态分布，我们是怎么估计“过程之声”的？用正态分布的均值做为中心位置，用平均值±3标准差来构造一个99.73%的区间来做为“过程之声”的估计。
那如果是非正态数据呢，我们是不是也可以想办法来获得“过程之声”？但是很多非正态数据的分布不像正态分布那样是对称的(如下面的Weibull分布)。



那么这时候怎么获得中心位置和99.73%的区间呢？我们可以借助“ISO算法”通过计算分位数方法来估计“过程之声”。



说明：


 
表示指定分布的第0.99865个百分位数(太专业了，看不懂？直白一点说，分布选择不同，计算出来的结果不一样，所以我们需要找到合适的分布)。说到这里我相信大家应该理解了为什么在用Minitab做非正态数据能力分析时需要我们先指定分布了。



拟合其他分布法(ISO方法)计算

基于以上分析，我们可以通过以下三步骤来计算非正态数据的过程能力。
找到合适的分布(除正态分布外有13种选择)，怎么确定哪种分布拟合的比较好呢？我们可以利用Minitab中的“个体分布标识”功能。
确定好分布后，第二步就是计算出对应分布的三个百分位数：0.5分位数、0.99865分位数和0.00135分位数(我们可以通过“概率分布图”计算这三个百分位数)。
把计算出来的三个百分位数带入“ISO方法”的公式得到Pp和Ppk。


  收起阅读 »

时间真是个蹑足大盗，距离2003-05-14注册本论坛已经过了近20年，而距上一次发帖时间2014-03-31竟有8年之久没有登录论坛了。当然，本人在这期间也经历了很多事，可谓一言难尽......

其实我一直怀念着6SQ----甚至更怀念起华天品质在线，因为正是它引领我步入质量管理领域的。当初所获取的资源在当时资源匮乏的年代绝对是精品，在网速用KB计算的年代，我通过3.5in软盘搬运了许多资源，然后先后在不同的企业开始质量管理工作，也正是华天品质在线以及后来的6SQ分享精神让我也开始乐于分享-----想当年，我也算是为质量领域分享了大量经典的、最新的质量管理类书籍，在这个领域多少作了一些贡献的（自我吹嘘一下哈，别介意）。

今天我再次回归是因为在我在一家企业的云学堂中竟然看到许多了我N年前分享的书籍-----一下子勾起了无尽往事。

期待与各位同好再续前缘......
  收起阅读 »

一、案例背景
在集成电路的许多生产步骤中，晶片被一层材料(如二氧化硅或某种金属）完全覆盖。通过对掩模的蚀刻有选择性地除去不需要的材料，从而创建电路模板、电互连以及必须扩散的或者金属沉积的区域。等离子蚀刻工序在这个操作中被广泛使用，特别是在几何对象比较小的情况下的应用。下图展示了一种典型的单晶片蚀刻设备的重要特征。特此说明：案例来自蒙哥马利的《实验设计与分析》一书。



射频(RF)发生器提供能源使得电极之间的间隙产生等离子，等离子体的化学种类是由所使用的特定气体决定的。碳氟化合物，比如CF4(四氟甲烷)或C2F6(六氟乙烷)，通常被用在等离子蚀刻上。但是根据应用情况的不同，也常使用其他的气体或混合气体。

工程师要研究这套设备的RF功率设置与蚀刻率间的关系。实验目的是开发工程师要确定RF功率设置是否影响蚀刻率。她选定了气体(C2F6)和间隙(0.80 cm)，想检验RF功率的4个水平：160W，180W，200W和220W。她决定在RF功率的每个水平上检验5个晶片。

这是一个因子水平为4和重复次数为5的单因子实验。这20个试验都是按照随机顺序进行的。



二、分析之前注意事项
一个好的试验设计分析，重点和难点往往不是在如何“分析”它（我相信通过本次案例，您也会借助Minitab做方差分析），而是在于如何“设计”这个试验，如何制定数据收集计划。对于设计得很差的试验，你做不了任何分析。你只能搬出具尸体，找出他的死亡原因。

Fisher曾经说过设计一个试验就像和魔鬼玩机会游戏一样，你无法预测他会使出什么样的高招让你的努力作废。在单晶片蚀刻中亦是如此，为防止未知讨厌变量的影响，随机化试验顺序是必要的，因为实验中讨厌变量的变化也许会超出控制范围。从而损害实验结果。为了方便大家对随机化的理解，请参考如下说明图。



知道了随机化的重要性，哪如何做到随机化呢？我发现很多朋友喜欢按照顺序做试验（先把功率为160的五次试验做完，再做180的，再做200的，最后再做功率为220的五次试验），这就不是我们所说的随机化顺序了。这种按照顺序方式做试验，最后的统计结论往往会变成管理者会议上的争论（我会在后续文章中分享这个故事）。

为了随机化，我们可以在Minitab中执行以下操作：
1.首先我们新建一“标准顺序”列，编号从1到20。
计算-生成模板数据-简单数集







2.计算-生成模板数据-任意数集







3.计算-随机数据-来自列的样本







我们按照生成的随机化顺序（C3列运行序）做试验，第一次做功率为160的，第二次做功率为220的……（试验都做了，钱都花了，就不要想着偷懒了）。



最终，得到以上试验数据（按照随机化顺序做的）。

三、Minitab操作步骤
在这里我们是想对单因子（功率）4个水平（160、180、200、220）下的蚀刻率均值做比较，这里我们可以使用方差分析。
1.路径：统计-方差分析-单因子





2.Minitab结果解释





从“方差分析”表中，我们看到检验的P值等于0，小于0.05，故拒绝所有均值都相等的原假设，从而得到4个功率下蚀刻率均值有显著差异的结论。Minitab还同步输出了下面的区间图，从图中可以发现随着功率增大蚀刻率增大。



当然，你也可以进一步做多重比较。





四、小结
本篇文章着重向大家强调了试验中“随机化”的重要性以及如何安排随机化试验，我也希望大家能够在后续试验安排做到随机化（我知道，这确实不容易）。一个研究所需要的准备工作远比选择一个统计设计重要得多，统计基于你试验收集的数据，它不会撒谎。但如果试验本身就安排不合理（如没有随机化），利用这个试验获得的数据执行统计分析，那么这时候得到的统计结论有多少能够反映实际生产状况就不得而知了。 收起阅读 »

1.质量高手是怎样的？

十年摸爬打滚出来的答案：

质量人才三角模型=软技能+质量管理专业知识+产品技术及工艺知识




软技能=大脑，决定了我们所能达到的高度

质量管理专业知识+产品技术及工艺知识=双手，能帮助我们解决各种各样的问题。双手越灵活、配合得越好，就会越高效！


2.意识到软技能重要性的那批人，已经和我们抛离距离了

首先，质量人的心态要好，要善于发现美，学会欣赏美，进而充满自信；
而非质疑、对抗、处罚，然后让步、妥协、挫败

但是，也要有原则！不能做老好人，要有守住质量底线的良心和决心


问题发生前，需要有沟通协调能力去推动他人做好风险预防
问题发生后，需要有领导力去引导他人解决问题
问题有争议时，我们需要有谈判的能力去捍卫质量的立场
问题处理后，我们需要有优秀的表达能力，去展现质量工作的成果政绩
 
质量人80%的工作都是在推动、引导、协调、监督他人的工作，实在是太需要培养软技能了
软技能有哪些呢？看下图




3.质量管理专业知识
质量管理的3个维度：Product+Process+People




其中针对产品方面，主要是分析问题、解决问题、属于工具使用
工具很多，懂得越复杂的工具的质量人，战斗力越强。一个只懂QC 七大工具的人与一个懂FMEA的人是截然不同的


流程方面，主要是质量管理的方法论
研发质量管理流程、供应商导入流程、变更管理流程、ISO9001 体系等，属于质量管理方法

人的方面，主要是人的质量意识、企业文化，这方面是最根本、最核心部分；


工具、流程、方法、人员能力，是“术”；质量文化是”道“
感觉很虚幻，所以要有技术和工艺的知识使质量管理的工具方法有效落地



4.产品技术及工艺知识是我们的左手，很有用
如果不懂点产品技术和工艺技术，难以与研发及制造沟通
质量工具学得再遛，也有点虚幻，不着地的感觉


质量管理专业知识是我们的右手，产品的技术及工艺知识就是我们的左手。
可能有人会反驳，如果懂那么多，我就不做质量罗。
（哈哈，如果我都懂，我可能也不做了。不过质量其实很好玩的，质量是在做管理的工作，而且这条赛道上厉害的人并不多，又不会像技术开发那么难，那样容易掉头发，上升的空间不见顶）


5.不需要技术和工艺都懂，并不需要懂很多细节
只要”知道有哪些“+有基本的“鉴赏”能力即可；懂产品技术和工艺这个不是必要项，而是加分项。

一般，对于产品，我们了解其法律法规要求、基本功能性能、可靠性要求、、测试标准和方法、失效模式；
对于工艺，我们主要了解生产流程、以及过程管控参数；




最后的话

质量人才三角=软技能+质量管理专业知识+技术及工艺知识
质量管理专业知识是基本，能确保我们的基本工作，有饭吃。
技术及工艺知识能让我们的工作更好，吃得更饱。
软技能一直很重要，只是经常被忽视，也会越来越重要，它不仅能让我们吃饱，更能让我们吃得更香。


所以选择一个好的行业，学好质量管理专业，注重学习及结合技术和工艺，修炼好软技能，一定会步步高升。这可是质量人职场升级打怪的秘诀哦

如果我早些年有如此领悟，并在工作中落地，或许饭也是更饱更香罗

路漫漫其修远兮，吾将上下而求索，我将持续分享学习成长历程，与君共勉；


  收起阅读 »

1、HALT 试验
HALT是美国Hobbs最先提出并持续进行完善，主要目的是通过增加被测物的极限值，进而增加其稳健性及可靠性。
HALT（Highly Accelerated Life Test）的全称是高加速寿命试验。HALT是一种通过施加逐级递增的环境应力或工作载荷，来加速暴露产品的缺陷和薄弱点的试验方法。HALT按台阶方式施加应力，能够尽快发现产品缺陷、工作极限及破坏极限。加于产品的应力包含振动、高低温、温度循环、电力开关循环、电压边际及频率边际测试等。主要应用于产品开发阶段，它能以较短的时间促使产品的设计和工艺缺陷暴露出来，增加产品可靠性并缩短其上市周期，同时还可改进设计、积累产品可靠性基础数据，为后续的产品研发提供重要依据。HALT常规应用测试应力：
温度步进应力——热和冷
快速热循环
振动步进应力
综合环境应力（振动、热循环）[图片]2

2、HASS 试验
HASS （High Accelerated StressScreen）的全称是高加速应力筛选试验。HASS是产品通过HALT得出工作极限或破坏极限值后在生产阶段所做的高加速应力筛选，一般要求100％的产品参加筛选。
HASS目的是为了减少产品的潜在缺陷，并尽量在产品出厂前消除这些缺陷。HASS应用于产品的生产阶段，以确保所有在HALT中找到的改进措施能够得以实施。主要是通过加速应力方式以期在短时间内找到有缺陷的产品,缩短产品改进周期。HASS还能够确保不会由于生产工艺和元器件的改动而引入新的缺陷。
高加速应力筛选(HASS)是以传统的ESS为根本发展起来的一种工艺方法，其目的在于，在不过度损伤器件有效寿命的基础上，选用高水平的筛选应力组合，高效地发现并剔除缺陷器件，提高器件在实际应用中的可靠性。[图片]3

3、HATL和HASS的区别
1）阶段不一样：HALT是开发阶段，HASS是生产早期阶段，或者是生产阶段。
2）目的不同：HALT试验是一种摸底试验，目的是发现设计的短板并改进，HASS是一种通过性试验，是量产质量控制。
3）强度不一样：HALT试验可能会造成产品的损伤，而HASS试验不应该造成产品的损伤，因为HASS试验之后，产品是需要进行售卖的。而HALT试验之后的产品是严禁再出货的。
4）测试方法不同：HALT试验是加速应力，直至产品失效；HASS试验是多次重复但是无产品磨损，逐步修正，完成试验的轮廓的过程。
5）HALT试验和HASS试验对失效率优化，处于器件生命周期的不同阶段。[图片]4

4、HALT和HASS的联系
但HALT与HASS之间也是有着联系的，通过HALT可以简化HASS的实施, HALT试验产生的数据正是HASS试验条件设置需要的数据, 二者有效结合能更好的帮助企业提高产品的可靠性。HALT用在产品设计阶段，HASS用在产品的生产阶段。HALT和HASS测试主要用于小型设备或小型模块，主要是因为大型设备包含组件多，故障模式也多，进行试验分析很不容易。对于大型设备而言，进行HALT&HASS试验的方法是分别对各模块部件进行试验，找出其故障模式并进行改进。但是，不是所有的产品都需要进行HASS试验，如果在HALT试验以后，产品已经达到了可靠性要求，就可以不必再进行HASS试验，在生产过程中，要尽量减少HASS试验，因为HASS试验花费昂贵。如果产品本身的可靠性很低或者该产品为新产品，没有历史数据和类似产品作为参考来预测其可靠性，那么该产品可以进行HASSS试验。对于一些具有复杂的需求的产品，也可以通过HASS来满足可靠性要求。HALT和HASS所需施加的应力，因产品性质不同，工作极限和损坏极限不一样，没有统一应力值标准，应力类型也不一样的。不同的产品应根据各自的特点，选择应力类型和恰当的应力值进行筛选。

5、HALT&HASS可以发现哪些问题？
1）发现材料的失效条件，给出合适的应用条件限制；
2）不同质地的材料相结合制成的产品，因温度、湿度、振动等条件改变，出现不匹配的问题：如电路连接是否可靠、贴片是否牢固、连接器的松紧程度是否合适等；
3）产品自身因温度、湿度及振动等因素影响发生的变形、变色、破裂、腐蚀、涂层开裂、绝缘保护功能失效或其它性能改变等问题；
4）零部件存在位置设置错误，或是材质及规格选用不当；
5）发现产品在不同环境条件下的易损点。[图片]6

6、HALT&HASS测试应用在哪些行业？
1)航空航天设备研发设计制造；
2)汽车、船舶及其零部件的研发设计制造；
3)轨道交通及新能源产品研发设计制造；
4)通信及电子产品的研发设计制造；
5)各种机械及电器的研发设计制造； 收起阅读 »

思路来自https://www.6sq.net/article/46984，作者：yijiayige
问题：我们公司产品100%全检，为什么还要做首件检验？
回答这个问题，先要搞清楚什么是首件，然后才是为什么要进行首件检验。
我从三个方面说明：1.首件的数量；2.首件的时机；3.首件的作用
1.首件的数量：对于小批量，可以指首个产品。如果对于批量生产，则是指一定数量，而且是连续生产一定数量。
2.首件的时机：首次开机生产；人员转换；设备维修；模具更换；物料更换等。
3.首件的作用：防止批量不良。通过以下六个方面进行确认：1.确认现场量具是否有效。2.确认岗位员工是否得到充分培训。3.确认测试结果波动性是否存在。4.确认设备有效性（点检等手段）。5.确认员工检验有效性。6.首件产品与设定输出之间偏差是否合理。
最终答案：产品即使100%全检，也需要进行首件检验。100%检验是生产上的一个工序，而首件检验是要保证这个工序的符合性和有效性。
  收起阅读 »

1. 关于是否继续待在现公司的取舍的问题
你目前的水平，是否足以单独支撑起整体质量工作的规划和推动，还是你有一些还不错的思路和方法，但还只是处于一个趋型的状态，还不是成熟的状态。就是现在告诉你怎么做，你也知道怎么做的方法，你也未必做得来，这是需要积累和沉淀的。所以，建议是，如果水平不足就找个合适的机会离开目前的公司，找一家相对比较规范的公司，跟着比较有经验的前辈好好学习一段时间，好好积累经验。如果刚好处于一个瓶颈，需要冲破过去。到时回过头来看你现在的问题，自然迎刃而解。
 
2. 对质量的认识
你对质量的认识，是否还处在待冲破低层次进入到高层次认识的阶段。
一家企业的质量等级的高低，首先是取决于老板们（包括对老板们的洗脑，然后老板们接受或发生观念的变化，这里说明一下，免得引起误解。），而不是打工的员工（包括打工的质量工作者）。明白这一点很重要。
一家企业的质量等级的高低，是由这家企业的质量系统决定的。这质量系统的核心因素就是老板们对质量的认识和理解程度，这决定了企业投放的资源和对质量的要求。
先建立一个高度，和一个宏观的格局，站高了才容易看得远。
 
如果前提是你打定主意留下来。那就是面对老板们。
 
从你发现的问题，还有你怎么改进的思路，然后把这些好好理清楚，整理成一个计划方案，或者改进行动方案，和老板们好好谈谈，看老板们怎么个看法，这一谈下来，你就心里有底了，知道老板们对质量是怎么个理解，怎么个要求，愿意投放的资源是怎么个情况，行动上又是怎么个支持和配合。
 
3. 你处理问题时，该怎么办
更细节的就不多讲了，简要提几个点。
a。质量工作不是某个人，或某个部门单独的事。质量工作者或质量部门核心的工作是质量的推动。所以，你要让其它部门和其它人一起来面对，一起来承担，一起来负责。而不是仅仅让他们来配合你。。。切记，切记！！！！！
b。检验的存在是为了让质量更好，但质量更好不因为检验的存在。好好理解这句话。如果质量进入到一个很高等级的情况下，检验是可以去掉的。（这里的检验是指目前事后专属的检验，以免歧义。现在很多制造在过程中某个动作做完了就通过高科技立马检验完成，则属于另一种理解。）
c。生产出来的产品有问题，难道生产人员就不用负责吗？生产部门的主管应该要负首要责任。接着往前推进，生产自己可能都不清楚合格的标准是什么？那么问题来了，既然不清楚，那么凭什么生产产品？难道是靠感觉？生产肯定是有某些信息的输入，才会展开生产的吧，把这条线理清楚，很多问题都是过程中信息传递出了问题导致的。
d。出货的标准或过程中各种加工、巡检的标准，除了硬性要求、行业要求、企业内部要求外，就是客户的要求了，而且这些要求还可能有变化。所以，标准的形成，是从产品立项开始不断完善的动态的过程。这个过程要保持各种要求及时有效的传递到各相应人员手里。。这点很多企业都做不好，也是信息传递的问题。经常出信息不对等，或传达不到位，或失真等情况。。。 收起阅读 »

对全世界来说，2022年注定是不平凡的一年。新冠奥米克戎余威未减，北京冬奥一墩难求，然而，比起俄罗斯针对乌克兰的“特别军事行动”这都是小菜一碟。“俄乌战争”这个“大瓜” 如此之大，以致于从电视到报纸再到网络，铺天盖地全是俄乌之战的报导。
    周末跟朋友聊到俄乌之战的战况，从“人机料法环”去分析战争的走势，朋友们都大笑“不亏是搞质量的”。突然想到，从斗争艺术的角度来分析我们日常的质量管理也很有趣，故写此文以分享。
乌克兰是苏联旧有体制下俄罗斯的传统势力范围，乌克兰加入北约，必然要影响到俄罗斯安全态势。从攻守转换的角度，假定质量人是俄罗斯一方，生产单位是乌克兰一方。正如乌克兰脱俄入北约，生产想要脱离质量的管辖，走”自由奔放的道路”，质量要约束生产，确保自身和整个体系的安全，这个就是矛盾的根源所在。如何破解生产的矛，强化质量的盾，下面的几点看法，是俄乌战争给我们的启示。
1. 把握时机，“该出手时就出手”。如果俄方等到乌克兰加盟北约再来处理，则必然不可挽回。3/24,俄罗斯在时间的选择上非常精准，既避开了北京冬奥委会会期影响，又假借美国“俄罗斯将入侵乌克兰”的警告，掌握了战争的主动权。在质量问题处理上，我们也要注意把握时机，及时出击，掌握主动性。等到质量问题已经发生或已无法逆转再来处理，就只能是被动反应。按质量成本管理的理论，质量处理的成本损失越完后越大，是成指数级增长的，在质量问题发生初期和源头处，处理的成本是最小的。举例来说，假如我们的OOBA有抽检到面板有刮伤不良800pcs，如果我们在国内处理，假如需要8人3H 处理，以20RMB/（人*H）总计费用为20X8X3=480 RMB 搞定，同样不良如果流到波兰L10 以5USD/pcs ,则重工费用将马上上升到800X5X6.4=25600 RMB. 仅仅只是换个地方，费用增长5233%！所以我们在出现质量问题时，千万不可心软，学习普京的霸气，坚决处理！
2. 怀柔以待，走群众路线，争取最大的民意支持。以俄罗斯的军事实力完全可以上来就是一阵狂轰滥炸，然后轻而易举击溃乌克兰军队，之所以没有这样做，主要还是在“诛心”，而不是“诛人”，如果乌克兰民众因狂轰滥炸损失巨大，自然反对俄罗斯，那俄罗斯拿下乌克兰反而给自己将来在乌制造更大的麻烦。同理，质量部门其实是提着客户要求这个“尚方宝剑”的，随时都可以使出，一旦使出此招，即使生产的老板也只能望剑兴叹，莫与争锋。但是，质量毕竟是要生产要来全力配合达成的，如果一味采用高压政策，后面再找其去配合就会很难，所以，个人愚见，不到万不得已，不要轻易使用”尚方宝剑”. 通过内部推动一系列的质量活动开展，质量工具分享，提升生产从上之下的质量意识，才能实现“温水煮蛙”，“诛人诛心”的效果，只有实现质量与生产的意识一致化，最终的目标及行动才能一致化，在推动质量管理及改进中才不会有那么大的阻力，大家齐心搞质量，质量才能不断提升。否则光靠质量部门一家，再多努力也难以搞好。
3. 围绕重点，多点展开，先易后难，积小胜而达大胜。早在开打第一周，俄罗斯的军队就出现在乌首都郊外，但俄罗斯就是围而不打，反而集中更大力量从从东西南北各各方向作定点清除，逐步向中心推进，这个跟毛主席“农村包围城市”的战略有异曲同工之处，拿下乌克兰只是时间问题。我在10年前做QE，专门负责质量改善项目，一开始没有经验，抓到成型流水线碰刮伤的问题，上来就是一顿硬操作，准备对线体动大手术，写了很多改善报告交上去都石沉大海，究其原因是上层评估成本高企，而是否有效还是未知数，最终只能惨败收场。研究很多企业六西格玛推行失败的根本原因，就是一上来就想搞大case, 大家都认为这样成效更大，获得的认可度也会更好，殊不知企业经营首要是盈利，大的case 本身难度很高，改善周期也长，且效益难以快速体现，投入巨大风险很高，又长期看不到效益，不夭折才怪。其实我们搞质量改善，应该先易后难，先解决容易解决的问题，既能快速出现改善效果，坚定上层支持的决心，同时为大的改善扫清障碍，避免这些小的问题成为噪声因子，干扰关键问题的分析和解决。从小处入手，积小改善为大改善，最终实现大改善的目的。
4. 找能提供资源的最关键的后援。大家都会说“质量第一”，真正做到的有几个？乌克兰被北约坑到坑里，就是找错盟主，以为北约会挺身而出替他出头，最终却被北约抛弃，这是对所有找错后援者的很好教训。大的质量改善项目，要想成功，离不开公司上层的人力及财务甚至技术上的支持，但是谁是最强的的后援？总经理当然可以提供资金支持，但是自此往下，如不能找到最关键的支持，案子就无法顺利完成，举例来说，涉及自动化改善，就要寻求自动化人员支持，涉及技术参数优化，就要获得技术人员支持，否则就算质量经理再支持再强势也难以达到目标。一方面有些支持，是心有力而力不足，另外一些则只是精神支持罢了，一谈的真正的投入立即免谈，当不得真。所以找到能提供资源的关键支持者是质量项目成功的关键 
5. 宣传是最好的武器。一般来说，大家对侵略者都是深恶痛绝的，但是新闻报道里却看到，俄罗斯的士兵到便利店购物，乌克兰店主不但欢迎俄军购物竟然还给予免单，这个听起来有点天方夜谭的感觉，为何会这样？主要是俄罗斯宣传搞得好，民众一堆怨气都在乌政府，对俄罗斯反而接受度高。搞质量工作，也要“扯老虎皮作大旗”，而且要大搞特搞，要搞出声势，才能直达民心，真正提高大家参与质量改进的热忱，千万不能忽视宣传的重要性，否则质量管理将大打折扣。质量会议统一团队认知和方向，质量课程提高品管技能，质量宣传栏树立质量标杆线和质量标兵，质量活动进行技能比武和经验分享，配合质量奖金激励一系列实施，只有这样，质量观念才会深入人心，质量工具或QCC 等活动才能顺利开展，才能达到全员参与质量改善的局面，才能让整个团队质量水平都能更上一层楼，而不只是品保部门在单打独斗。
  虽然质量部门和生产部门的斗争远没有俄乌战争那般惨烈，但是俄乌战争的解析还是可以给我们的质量管理带来一些启示和借鉴，如能将其运用在日常的质量管理工作中，必能有所收获。但是由于战争的复杂性和个人能力局限性，以上几点拙见，分析也未必完全透彻，谨作此文，供大家参考。（此文为作者个人观点，未经同意，严禁转载）

收起阅读 »

今天看到了一句话：“检验的存在是为了让质量更好，但质量更好不因为检验的存在“。我把这句话改成：品质部（质量部）的存在是为了产品质量更好，但是质量的更好不因为品质部（质量部）的存在。
身为质量人，不断放低自己的姿态很重要。所谓的高调起事，中调处理协调，低调做人，也要低调展示自己的成果（只是通过数据展示即可）。
其实我们的核心工作是质量的推动者，但是不是实施者和操盘者，我们起到的作用是四两的力去拨动，那个千斤的力需要整个公司（尤其是要凸出领导的作用）来推动，意识到这一点很重要。
  收起阅读 »

熊妈妈已经忍无可忍了。最近一次关于她做的汤有多辣的争论以张牙舞爪而结束，而且把小女孩吓坏了。

熊妈妈认为问题出在小女孩身上。自从有了金凤花姑娘之后，所有人都无法就任何事情达成一致。床不是太软就是太硬。粥不是太烫就是太凉。今晚，金凤花姑娘抱怨汤太辣，熊爸爸抱怨汤不够辣。

为了使家庭恢复安宁，熊妈妈觉得小女孩需要离开。但是，每当熊妈妈提到这点时，熊爸爸就会跑过去为金凤花姑娘辩护。熊妈妈需要使用数据来为自己辩护，她明白该怎么做：使用一种名为“属性一致性分析”的测量系统分析。熊妈妈知道，使用 Minitab中的“协助”会使事情变得简单容易。

首先，她煮了六份汤。在其中的三份汤中，熊妈妈仅添加了足够的胡椒粉和香料，使汤美味但不会太辣。她在其余三份汤中加了过量的辣椒酱。

接着，熊妈妈使用 Minitab来设置、收集和分析数据，她希望确定为什么家庭成员如此频繁地出现意见不一致。


设置属性一致性分析

选择协助 > 测量系统分析 (MSA)…



“协助”显示一个决策树，该决策树中包括用于“评价”数据的 MSA。



熊妈妈打算让每个家庭成员都品尝六份不同的汤，并让他们评价是好（“好喝！”）还是差（“难喝！”）。每个评价者对每份汤都品尝 4 次，因此熊妈妈不仅能够查看不同检验者的意见是否一致，还能查看每个检验者每次品尝后的评价是否一致。

但是，她的数据收集计划能够满足此分析的需要吗？单击“属性一致性工作表”下面的“更多…”即可显示一列需要检查的要求。例如，“协助”建议评价者对相同数量的好和差项目进行评分，还建议至少有 3 个评价者，熊妈妈的计划中涵盖了这两项要求。



现在，熊妈妈确信她的计划非常恰当。她单击“返回”，然后单击“属性一致性工作表”并按如下所示填写对话框：



在单击“确定”之后，Minitab 将针对每个评价者和每份汤生成一组（共四个）随机试验，并创建一个匹配的数据表。



Minitab 还允许打印一整套随时可用的数据收集表单（每个试验和评价者有一份对应的表单）。



接着，熊妈妈加热这六份汤，并让每个检验者按照 Minitab 所指定的随机顺序对每份汤品尝四次。然后，她只需将结果输入到其数据表的相应列中就可以了：



分析数据
将结果输入到工作表中之后，熊妈妈可以继续进行分析。返回到协助 > 测量系统分析 (MSA)…，但这一次的目标是分析数据，而不是设置研究：





按如上所示填写对话框，单击“确定”。Minitab 将生成所有输出，熊妈妈需要使用这些输出来为自己辩护。



汇总报告显示，总体而言，家庭成员正确识别汤辛辣程度的正确率仅为 75%。按评价者计算的准确度百分比显示每个评价者对汤进行识别的准确度。熊妈妈和熊宝宝的得分最高，他们的准确度分别为 95.8% 和 87.5%。熊爸爸的准确度为 79.2%，不算太低。

但是，金凤花姑娘的准确度为 37.5%，很低。

“协助”的准确度报告为熊妈妈提供了有关每个评价者表现的具体细节。准确度报告右侧的按评价者计算的准确度百分比图和标准图显示，在三头熊中，每头熊都非常擅长识别美味的汤，但是，金凤花姑娘正确识别出美味的汤的概率不到 20%。



“协助”还有另外两个输出——“误分类报告”和“报告卡”。





证据在汤里

通过属性一致性分析的结果，可以清楚地判定有关汤辣不辣的大多数不一致源自何处，以及（按照熊妈妈的观点）不一致应当在何处终结。使用由“协助”创建的简单图形，甚至连熊爸爸也可以轻松看出，金凤花姑娘对汤的评价分歧可能会导致家庭成员产生冲突。

无论您喜欢清淡的汤还是喜欢超辣的汤，您都已经成功完成了此测量系统分析。您已了解如何创建属性一致性分析工作表，以及如何分析您收集的数据以使用“协助”来确定评价者在何处一致，在何处不一致。 收起阅读 »

熊妈妈已经忍无可忍了。最近一次关于她做的汤有多辣的争论以张牙舞爪而结束，而且把小女孩吓坏了。

熊妈妈认为问题出在小女孩身上。自从有了金凤花姑娘之后，所有人都无法就任何事情达成一致。床不是太软就是太硬。粥不是太烫就是太凉。今晚，金凤花姑娘抱怨汤太辣，熊爸爸抱怨汤不够辣。

为了使家庭恢复安宁，熊妈妈觉得小女孩需要离开。但是，每当熊妈妈提到这点时，熊爸爸就会跑过去为金凤花姑娘辩护。熊妈妈需要使用数据来为自己辩护，她明白该怎么做：使用一种名为“属性一致性分析”的测量系统分析。熊妈妈知道，使用 Minitab中的“协助”会使事情变得简单容易。

首先，她煮了六份汤。在其中的三份汤中，熊妈妈仅添加了足够的胡椒粉和香料，使汤美味但不会太辣。她在其余三份汤中加了过量的辣椒酱。

接着，熊妈妈使用 Minitab来设置、收集和分析数据，她希望确定为什么家庭成员如此频繁地出现意见不一致。


设置属性一致性分析

选择协助 > 测量系统分析 (MSA)…



“协助”显示一个决策树，该决策树中包括用于“评价”数据的 MSA。



熊妈妈打算让每个家庭成员都品尝六份不同的汤，并让他们评价是好（“好喝！”）还是差（“难喝！”）。每个评价者对每份汤都品尝 4 次，因此熊妈妈不仅能够查看不同检验者的意见是否一致，还能查看每个检验者每次品尝后的评价是否一致。

但是，她的数据收集计划能够满足此分析的需要吗？单击“属性一致性工作表”下面的“更多…”即可显示一列需要检查的要求。例如，“协助”建议评价者对相同数量的好和差项目进行评分，还建议至少有 3 个评价者，熊妈妈的计划中涵盖了这两项要求。



现在，熊妈妈确信她的计划非常恰当。她单击“返回”，然后单击“属性一致性工作表”并按如下所示填写对话框：



在单击“确定”之后，Minitab 将针对每个评价者和每份汤生成一组（共四个）随机试验，并创建一个匹配的数据表。



Minitab 还允许打印一整套随时可用的数据收集表单（每个试验和评价者有一份对应的表单）。



接着，熊妈妈加热这六份汤，并让每个检验者按照 Minitab 所指定的随机顺序对每份汤品尝四次。然后，她只需将结果输入到其数据表的相应列中就可以了：



分析数据
将结果输入到工作表中之后，熊妈妈可以继续进行分析。返回到协助 > 测量系统分析 (MSA)…，但这一次的目标是分析数据，而不是设置研究：





按如上所示填写对话框，单击“确定”。Minitab 将生成所有输出，熊妈妈需要使用这些输出来为自己辩护。



汇总报告显示，总体而言，家庭成员正确识别汤辛辣程度的正确率仅为 75%。按评价者计算的准确度百分比显示每个评价者对汤进行识别的准确度。熊妈妈和熊宝宝的得分最高，他们的准确度分别为 95.8% 和 87.5%。熊爸爸的准确度为 79.2%，不算太低。

但是，金凤花姑娘的准确度为 37.5%，很低。

“协助”的准确度报告为熊妈妈提供了有关每个评价者表现的具体细节。准确度报告右侧的按评价者计算的准确度百分比图和标准图显示，在三头熊中，每头熊都非常擅长识别美味的汤，但是，金凤花姑娘正确识别出美味的汤的概率不到 20%。



“协助”还有另外两个输出——“误分类报告”和“报告卡”。





证据在汤里

通过属性一致性分析的结果，可以清楚地判定有关汤辣不辣的大多数不一致源自何处，以及（按照熊妈妈的观点）不一致应当在何处终结。使用由“协助”创建的简单图形，甚至连熊爸爸也可以轻松看出，金凤花姑娘对汤的评价分歧可能会导致家庭成员产生冲突。

无论您喜欢清淡的汤还是喜欢超辣的汤，您都已经成功完成了此测量系统分析。您已了解如何创建属性一致性分析工作表，以及如何分析您收集的数据以使用“协助”来确定评价者在何处一致，在何处不一致。 收起阅读 »